研究者提出RITE基准评估电商Agent静默工具错误韧性

研究者提出RITE基准，用于评估工具调用型LLM智能体在静默工具错误污染中间状态后能否完成原始查询。该基准基于人工编写的工业工作流和生产日志输入，覆盖9个电商工作流、167个匹配单元，共501个静默错误、正确值与显式失败实例。 在10个近期LLM上，静默错误使任务成功率大致减半，且始终比显式失败更难；识别错误、使用可用验证路径与整合证据构成连续瓶颈。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。